〇 分享简介 〇

商业智能（BI）作为企业数字化进程的传统核心议题之一，让业务人员常陷入业务环境的瞬息万变与数据分析资源有限之间的矛盾漩涡，企业数据与业务的复杂性，加之传统BI软件操作门槛高、成本负担重，构成了数据分析敏捷化的障碍。面对这些挑战，如何寻觅破局之道，成为了业界共同思考的焦点。

大模型的崛起，尤其是具备强大对话、代码能力的大模型，让商业智能这一传统领域有了"老树开新芽"的可能。但大模型在这一领域的应用，除了模型具备较强的常识理解和推理能力之外，还需要解决企业自身业务、数据结合的问题。传统的插件式NL2SQL方案，受限于LLM与企业知识、系统环境的脱节，会面临很多挑战。因此，构建适配LLM特性的BI软件架构，成为AI时代BI发展的必须思考的问题。

本次分享将聚焦于瓴羊在构建面向企业提供商业分析能力的Quick BI 智能小Q，在企业不同场景中面临的技术挑战与创新解决方案，以及在不同行业中的实践应用心得，激发与会者对于BI未来发展方向的深层次思考。

〇 分享收益〇

目标：

1、深刻理解LLM在BI场景下的实际应用限制与挑战；

2、构建专为LLM设计的原生系统架构，以最大化其在数据分析中的效能；

3、优化LLM的数据分析算法，确保其在复杂业务场景中精准且高效地运作。

成功要点：

1、要充分和BI场景做深度集成。这不仅是产品设计上的重定位，背后也是系统的重新架构。只有这样，才能更好将大模型的强大通用常识和推理能力和企业专业数据场景结合起来。

2、数据分析领域，对大模型的精确推理、理解能力提出了更高的要求，经过更专业的数据、任务调优后的大模型更擅长处理BI领域复杂的数字、规划、推理任务。

3、大模型除了完成基本的Text2SQL任务之外，还需要具备理解、澄清、建议、执行的智能化助手能力，才可成为企业级的智能助手。

启示：

尽管LLM为BI带来了前所未有的机遇，但要实现其潜力，必须正视并解决与之相伴的挑战。通过定制化的系统架构和算法优化，可以有效克服LLM在BI场景中的局限，从而开辟出一条全新的数据消费路径。在AI赋能的BI新时代，企业不再受限于传统的数据处理瓶颈，而是可以通过创新的系统架构和算法优化，释放LLM的潜能。

〇 分享亮点 〇

1、企业商业智能分析发展简史

2、LLM应用于BI场景面临的主要挑战

3、LLM时代如何构建LLM Native 的系统架构

4、Quick BI 智能小Q结合企业场景的LLM数据分析算法优化方案

（核心技术知识点包括但不限于：LLM Native 的BI软件架构、NL2SQL、NL2API）

5、QA